# 绿色 AI 术语表

> 用通俗语言解释绿色 AI 常用术语，从 token、推理和 PUE，到反弹效应、充分性和模型合并，帮助您读懂相关讨论。

Source: https://greenai.guide/zh/术语表/  
Updated: 2026-11-19

## 简而言之

本术语表用通俗易懂的语言，解释人们开始了解 AI 环境成本时会遇到的各种术语。条目按英文名称的字母顺序排列。每个术语都有自己的链接，方便网站其他页面直接指向它。

## 要点

- 训练只需一次，用来构建模型；推理是此后每一次使用模型。
- 效率是用更少的资源做同样的事；充分性是先问这项任务究竟是否需要用 AI 来做。
- PUE 比较数据中心的总能耗与其计算机设备的能耗；1.0 为理想值。
- 反弹效应是指效率提高使某样东西更便宜，从而导致总使用量上升。

绿色 AI 横跨计算机科学、数学、工程、能源和政策等领域，每个领域都有自己的术语。“模型”、“效率”甚至“AI”这样的词，对不同的人意味着不同的东西。2026 年英国一场由数学家、计算机科学家和业界人士参加的绿色 AI sandpit（研讨工作坊）发现，人们最希望厘清的恰恰是最基本的术语，因此本术语表从零讲起。条目按英文名称的字母顺序排列（与各条目链接保持一致）。如果缺少您需要的术语，请[告诉我们](/zh/联系我们/)。

### 智能体 AI（Agentic AI） {#agentic-ai}

能够自行分多个步骤完成任务的 AI，例如搜索、编写代码、运行代码并修复错误，而不是只给出一个回答。由于每一步都要再次调用模型，智能体 AI 消耗的 token（词元）可能比聊天多得多，而陷入循环的智能体会造成大量浪费。参见[智能体 AI 与 token 浪费](/zh/文章/智能体-ai-与-token-浪费/)。

### AI {#ai}

人工智能（artificial intelligence）的缩写：能够完成我们通常与人类智能联系在一起的任务的计算机系统，例如识别图像、理解语言或做出预测。在 2026 年的日常用语中，“AI”通常指聊天机器人等大型生成式模型，但这个词也涵盖小得多的系统，比如垃圾邮件过滤器和天气模型，所以最好说明您指的是哪一种。

### AI 素养（AI literacy） {#ai-literacy}

明智地理解、使用和评判 AI 所需的知识与技能：了解它能做什么、不能做什么，如何核查它的输出，以及它的成本，包括环境成本。

### 自动微分（Automatic differentiation） {#automatic-differentiation}

一种让计算机精确算出计算结果如何随每个输入变化的技术。神经网络正是靠它来学习的（这时称为反向传播），它也用于优化科学模拟。

### 基准测试（Benchmark） {#benchmark}

用于公平比较不同系统的标准测试，例如比较各模型在同一组问题上的准确度，或在同一任务上的能耗。基准测试的价值取决于其中包含的任务和测量方法。

### 碳感知计算（Carbon-aware computing） {#carbon-aware-computing}

在电力更清洁的时间或地点运行计算任务，例如把一次大型训练推迟到风力充足的时候。它适合不需要即时结果的工作。

### 碳强度（Carbon intensity） {#carbon-intensity}

每单位电力所排放的二氧化碳（或等效温室气体）的量，通常以每千瓦时多少克 CO₂e（二氧化碳当量）表示。它因国家和时段而异，取决于电力有多少来自化石燃料、有多少来自可再生能源。

### 数据中心（Data centre） {#data-centre}

一座装满计算机、存储和网络设备的建筑，配有维持其运行的供电和冷却设施。大多数 AI 聊天机器人都在数据中心运行，而不是在用户的设备上。

### 扩散模型（Diffusion model） {#diffusion-model}

一种生成式 AI，广泛用于生成图像和视频，它学习如何把随机噪声一步一步变成一幅图像。步骤众多，这也是生成图像比生成短文本耗能多得多的原因之一。

### 蒸馏（Distillation） {#distillation}

训练一个小型“学生”模型去模仿一个大型“教师”模型，使小模型能以一小部分计算成本，把任务完成得几乎一样好。

### 边缘 AI（Edge AI） {#edge-ai}

在数据所在的设备上或其附近运行的 AI，例如手机、摄像头或工厂传感器，而不是在遥远的数据中心运行。它可以节省网络能耗并保护隐私，但小设备乘以数百万台，加起来也很可观。参见[边缘还是云端](/zh/良好实践/边缘还是云端-ai-应该在哪里运行/)。

### 效率（Efficiency） {#efficiency}

以更少的投入获得同样有用的结果：每项任务消耗更少的能源、时间、水或硬件。效率是绿色 AI 的关键，但由于存在反弹效应，仅靠效率还不够。

### 隐含碳（Embodied carbon） {#embodied-carbon}

制造、运输以及最终处置设备所产生的排放，区别于运行设备产生的排放。对 AI 而言，这包括制造芯片、服务器和数据中心建筑的排放。

### 能效标签（Energy label） {#energy-label}

显示产品耗电多少的简单评级，就像欧洲冰箱上从 A 到 G 的标签。多个团体正在为 AI 模型开发类似的标签，例如 Hugging Face 的 AI Energy Score；欧盟《人工智能法》（EU AI Act）要求通用 AI 模型的提供者记录其已知或估算的能耗。参见[AI 能效标签](/zh/文章/ai-的能效标识与基准测试/)。

### 微调（Fine-tuning） {#fine-tuning}

在已经训练好的模型基础上，用专业数据再做少量训练，使它在特定任务上表现更好。其成本远低于从零开始训练。

### FLOPs {#flops}

浮点运算（floating-point operations）：计算机执行的基本算术步骤（小数的加法和乘法）。统计浮点运算次数是估算模型所需计算量的常用方法。S 大写的 FLOPS 通常指每秒运算次数。

### FPGA {#fpga}

现场可编程门阵列（field-programmable gate array）：一种出厂后仍可重新配置电路的芯片。FPGA 在特定任务上可以非常高效，并可随模型变化重新编程，但比 GPU 更难编程。

### 生成式 AI（Generative AI） {#generative-ai}

根据请求创造新内容的 AI，例如文本、图像、音频、视频或代码。聊天机器人和图像生成器都属于生成式 AI。

### GPU {#gpu}

图形处理器（graphics processing unit）：一种最初为计算机图形设计、能同时进行大量计算的芯片。GPU 是训练和运行现代 AI 的主要硬件。

### 绿色 AI（Green AI） {#green-ai}

以尽可能低的能源、碳、水和材料足迹来开发和使用的 AI，并且只在能带来真正价值的地方使用。它既包括让 AI 更高效，也包括只在 AI 是合适工具的场合才使用它。参见[什么是绿色 AI？](/zh/文章/什么是绿色-ai/)。

### 漂绿（Greenwashing） {#greenwashing}

做出误导性声明，宣称某产品或机构比实际情况更环保。在欧盟，第 (EU) 2024/825 号指令禁止向消费者做出无法证实的笼统环保声明。参见[诚实的环保声明](/zh/良好实践/关于-ai-的诚实环保声明/)。

### 推理（Inference） {#inference}

使用训练好的模型产生输出，例如回答问题或生成图像。每一个 prompt（提示词）都是一次推理，因此对于热门工具来说，只要模型还在使用，推理能耗就会不断累积。

### 杰文斯悖论（Jevons paradox） {#jevons-paradox}

经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）在 1865 年的著作《煤炭问题》（*The Coal Question*）中指出，更高效的蒸汽机反而使英国烧掉了更多而不是更少的煤。这是反弹效应的极端情形，即效率提高导致总使用量增加。

### KV 缓存（KV cache） {#kv-cache}

键值缓存（key–value cache）的简称。语言模型逐个 token 生成回答时，会保存中间结果（其注意力计算中的“键”和“值”），这样就不必在每一步重新计算。它能节省大量计算，但会占用内存。

### 大语言模型（Large language model） {#large-language-model}

在海量文本上训练、用于预测和生成语言的生成式 AI 模型，常简称为 LLM。大多数聊天机器人都建立在大语言模型之上。

### 延迟（Latency） {#latency}

从发出请求到得到答复之间的时间。一些绿色 AI 技术会用略高的延迟换取更低的能耗，例如批量处理请求，或等待更清洁的电力。

### 麦克纳马拉谬误（McNamara fallacy） {#mcnamara-fallacy}

把容易测量的东西当成唯一重要的东西，而忽视无法测量之物的错误。在绿色 AI 中，它提醒人们不要只凭方便获得的数字来评判系统，而忽略用水或社会影响等较难计算的危害。

### 混合精度（Mixed precision） {#mixed-precision}

在不影响结果的前提下，让部分计算使用比其他计算更少的精度位数。较低的精度占用更少的内存和能源。

### 混合专家（Mixture of experts） {#mixture-of-experts}

一种由许多专门子网络（“专家”）组成的模型设计，由路由器把每个输入只发送给其中少数几个专家。每次回答只用到模型的一部分，因此能节省计算，不过整个模型都需要载入内存，训练时也要用到全部。

### 模型（Model） {#model}

在 AI 中，模型是把输入转化为输出的已训练系统：即学到的一组数字（参数）以及使用这些数字的结构。在科学和工程中，“模型”也可以指对某个系统的数学描述，例如气候模型，所以最好说明您指的是哪一种。

### 模型合并（模型“汤”）（Model merging (souping)） {#model-merging-souping}

把两个或多个模型组合起来，通常是对它们的参数取平均，从而得到一个兼具各自优点的模型，而无需从零训练新模型。“模型汤”（model soups）是 Wortsman 及其同事在 2022 年使用的名称。

### 多智能体系统（Multi-agent system） {#multi-agent-system}

一组相互协作或彼此传递任务的 AI 智能体。它们可以很强大，但如果陷入彼此对话的循环，就可能消耗大量 token 却毫无有用结果。

### 开放权重模型（Open-weight model） {#open-weight-model}

公开发布其训练参数（权重）、任何人都可以下载和运行的模型，即使其训练数据和代码并未公开。开放权重模型可以在本地运行和调整，其能耗也可以被独立测量。

### 编排（Orchestration） {#orchestration}

协调多个模型、工具或预先构建的组件来完成任务，而不是让一个大模型生成所有内容。参见[编排优于生成](/zh/文章/编排优先于生成/)。

### 参数（Parameters） {#parameters}

模型内部在训练中不断调整的数字，它们共同储存了模型学到的东西。大语言模型拥有数十亿个参数；例如 Meta 的 Llama 3.1 系列有 80 亿、700 亿和 4050 亿参数三种规模。参数越多，通常每次回答所需的计算就越多。

### 物理信息神经网络（Physics-informed neural network） {#physics-informed-neural-network}

一种在拟合数据的同时被训练为遵守已知物理定律（例如能量守恒）的神经网络。把这些知识内置进去，可以减少所需的数据、参数和训练。

### 提示词（Prompt） {#prompt}

人们给生成式 AI 模型的指令或问题。清晰、具体的 prompt 通常第一次就能得到好的回答，从而节省时间和能源。

### 剪枝（Pruning） {#pruning}

删除已训练模型中对输出贡献很小的部分，例如单个权重或整条连接。剪枝后的模型更小、运行成本更低，而准确度往往损失不大。

### PUE {#pue}

电能使用效率（power usage effectiveness）：数据中心的总能耗除以其计算设备的能耗。PUE 为 1.0 意味着没有任何能源花在冷却或电力损耗上；数值越低越好。典型数值及其来源请参见[托管与数据中心](/zh/良好实践/绿色-ai-的托管与数据中心/)。

### 量化（Quantisation） {#quantisation}

用更少的位数存储模型中的数字，例如用 8 位或 4 位数字代替 16 位或 32 位数字。这样可以缩小模型、降低运行能耗，而质量通常只有少许下降。

### 反弹效应（Rebound effect） {#rebound-effect}

效率提升使某样东西更便宜或更方便，于是人们用得更多，部分或全部节省被抵消。如果使用量增长到总消耗反而上升，就是杰文斯悖论。参见[效率不等于充分](/zh/文章/效率不等于充足-ai-中的反弹效应/)。

### 路由（Routing） {#routing}

把每个请求发送给最合适的模型，例如简单问题交给小而便宜的模型，只有难题才交给大模型。阈值设得是否恰当很重要：模型太小可能失败，反而需要再用更大的模型尝试一次。

### 范围一、二、三排放（Scope 1, 2 and 3 emissions） {#scope-1-2-and-3-emissions}

《温室气体核算体系》（Greenhouse Gas Protocol）的三个类别。范围一是机构拥有或控制的排放源产生的直接排放；范围二是其购买的电力、热力或冷却所产生的排放；范围三是其价值链中的所有其他间接排放，例如所购硬件的制造排放。

### 小语言模型（Small language model） {#small-language-model}

参数相对较少、运行成本低廉的语言模型，有时可以在笔记本电脑或手机上运行。对于范围较窄的任务，选得好的小模型可以与大得多的模型相媲美。参见[选择合适的模型](/zh/良好实践/为任务选择合适的模型/)。

### 软件碳强度（Software carbon intensity） {#software-carbon-intensity}

绿色软件基金会（Green Software Foundation）提出的一种方法，也已作为 ISO 标准发布，用于计算一款软件每单位工作量（例如每位用户或每次请求）所排放的碳。

### 主权 AI（Sovereign AI） {#sovereign-ai}

由一个国家或地区自己掌控、而不依赖外国提供者的 AI 能力，例如模型、数据和计算基础设施。它也带来自身的可持续性问题；参见[主权 AI 与可持续性](/zh/文章/主权-ai-与可持续性/)。

### 稀疏性（Sparsity） {#sparsity}

指模型中的许多数字，或模型对某一输入的许多激活值为零。计算时可以跳过这些零，因此只要硬件和软件支持，稀疏模型的运行成本可以低得多。

### 脉冲神经网络（Spiking neural network） {#spiking-neural-network}

一种像大脑一样以短促脉冲（spike）传递信息、在脉冲之间大部分时间处于空闲状态的神经网络。在合适的硬件上，它有望实现极低的能耗，尤其是在边缘端。

### 充分性（Sufficiency） {#sufficiency}

只使用真正满足需求所需的资源，包括先问是否根本需要 AI。它与效率相辅相成：效率问的是“怎样用更少的资源做这件事？”，充分性问的是“我们需要做这件事吗？”。

### 代理模型（Surrogate model） {#surrogate-model}

一种快速的近似模型，经过训练用来替代缓慢而昂贵的计算，例如气候或工程模拟中的某一部分。好的代理模型可以节省大量能源，前提是要核查其准确度。

### 可持续 AI（Sustainable AI） {#sustainable-ai}

一个宽泛的术语，指开发和使用时不会耗尽其所依赖资源的 AI，通常除了环境影响之外，还包括社会和经济影响。它与绿色 AI 有重叠，两个词常被互换使用。

### token（词元） {#token}

语言模型读取和输出的文本片段，通常是一个词的一部分。OpenAI 给出的英文经验法则是：一个 token 大约相当于四个字符，或约四分之三个单词；其他语言表达同样的意思往往需要更多 token。token 越多，计算就越多。

### TPU {#tpu}

张量处理器（tensor processing unit）：谷歌专门为机器学习中的计算而设计的芯片。

### 训练（Training） {#training}

通过向模型展示大量数据并反复调整其参数以减少误差，从而构建模型的过程。训练一个大模型可能需要在数千块芯片上运行数月；Meta 报告称，训练其 Llama 3.1 系列共用了 3930 万 GPU 小时。

### 不确定性量化（Uncertainty quantification） {#uncertainty-quantification}

弄清我们对模型输出能有多大把握，例如给出一个范围而不是单一数字。它有助于判断何时用更便宜的模型就足够、何时需要核查结果。

### WUE {#wue}

水资源使用效率（water usage effectiveness）：数据中心现场用水量（以升计）除以其计算设备的能耗（以千瓦时计）。数值越低越好，不过节水的冷却设计可能耗电更多，反之亦然。

## 常见问题

### 绿色 AI 和可持续 AI 有什么区别？

这两个词的用法常有重叠。绿色 AI 通常侧重于减少 AI 消耗的能源、碳排放、水和材料；可持续 AI 的范围往往更广，还涵盖社会和经济影响，以及资源能否以被消耗的速度得到再生。

### AI 中的 token 是什么？

token（词元）是语言模型读取或输出的文本片段，通常是一个词的一部分。OpenAI 给出的英文经验法则是：每个 token 大约相当于四个字符，或四分之三个单词。

### 训练和推理有什么区别？

训练是让模型从数据中学习、从而构建模型的过程，通常只做一次，但成本很高。推理是使用训练好的模型来回答问题或生成图像，每当有人使用它时都会发生。

## 来源

- [What are tokens and how to count them?](https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them), OpenAI Help Center (2025)
- [Uptime Institute global data center survey 2025](https://intelligence.uptimeinstitute.com/resource/uptime-institute-global-data-center-survey-2025), Uptime Institute (2025)
- [Data center metering and resource guide](https://datacenters.lbl.gov/sites/default/files/DataCenterMeteringandResourceGuide_02072017.pdf), Lawrence Berkeley National Laboratory (2017)
- [GHG Protocol corporate standard](https://ghgprotocol.org/corporate-standard), Greenhouse Gas Protocol (2004)
- [W. Stanley Jevons, The Coal Question, 1865](https://energyhistory.yale.edu/w-stanley-jevons-the-coal-question-1865/), Yale University, Energy History (1865)
- [Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time](https://arxiv.org/abs/2203.05482), Wortsman et al. (arXiv:2203.05482) (2022)
- [Annex XI: technical documentation for providers of general-purpose AI models](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Commission, AI Act Service Desk (2024)
- [Directive (EU) 2024/825 on empowering consumers for the green transition](https://eur-lex.europa.eu/eli/dir/2024/825/oj), European Union (2024)
- [Software Carbon Intensity specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
- [ISO/IEC 21031:2024 Software carbon intensity (SCI) specification](https://www.iso.org/standard/86612.html), International Organization for Standardization (2024)
- [Llama 3.1 8B model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (Hugging Face) (2024)
